本公开提供了一种步态识别方法和装置。所述方法包括：获取待检测目标的步态图像序列；基于步态图像序列通过关键点检测算法获取待检测目标的关键点连接图序列；将关键点连接图序列输入到生成对抗网络以生成步态剪影序列；以及将步态剪影序列输入到步态识别网络以生成待检测目标的聚合特征向量，并将聚合特征向量作为识别结果进行输出。量作为识别结果进行输出。量作为识别结果进行输出。
【技术实现步骤摘要】
步态识别方法和装置
[0001]本公开涉及步态识别领域，具体地，本公开提供了一种基于生成对抗网络的跨遮挡步态识别方法和使用该方法的装置。
技术介绍
[0002]步态识别是一种通过观测人体行走姿态进行身份识别的技术，也是目前具有广阔发展前景的视频生物特征识别技术之一。步态识别是一种可以通过单目摄像头与计算机视觉技术结合的识别技术，能够实现对人体行走过程的远距离捕获采集以识别其身份，而不需要待识别目标进行任何行为上的配合。
[0003]目前步态识别的主要方法是采集人体步态视频，然后运用深度学习卷积神经网络技术对序列进行特征提取和识别。但对于一些遮挡场景例如人体四肢部分被遮挡、穿着长裙或长大衣等情况，将使得提取后的剪影图包含除人体步态外的其他物品特征，这样会影响后续步态特征的提取和识别准确度。
技术实现思路
[0004]本公开提供了一种步态识别方法和使用该方法的装置，更具体地，提供了一种基于生成对抗网络的跨遮挡步态识别方法和使用该方法的装置。
[0005]本公开的一方面提供了一种步态识别方法。所述方法包括：获取待检测目标的步态图像序列；基于步态图像序列通过关键点检测算法获取待检测目标的关键点连接图序列；将关键点连接图序列输入到生成对抗网络以生成步态剪影序列；以及将步态剪影序列输入到步态识别网络以生成待检测目标的聚合特征向量，并将聚合特征向量作为识别结果进行输出。
[0006]可选地，所述生成对抗网络可以包括：生成器，利用作为输入的关键点连接图生成二值剪影图；以及判别器，判断由生成器生成的二值剪影图的真假并输出判断为真的二值剪影图，其中，所述方法还可以包括对生成对抗网络进行训练。所述训练的方法包括：准备第一训练数据，第一训练数据包括训练用关键点连接图和与训练用关键点连接图对应的验证用剪影图；基于训练用关键点连接图使用生成器生成训练用二值剪影图；以及使用判别器判断训练用二值剪影图的真假，并以训练用二值剪影图与对应的验证用剪影图相似度最大为目标，对生成对抗网络进行迭代训练。
[0007]可选地，所述生成器可以具有五层转置卷积神经网络层，第一转置卷积层至第四转置卷积层选用顺序设置的批规范化和修正线性单元作为激活函数，第五转置卷积层选用双曲正切函数作为激活函数。所述判别器可以具有五层卷积神经网络，第一卷积层至第四卷积层选用顺序设置的批规范化和漏修正线性单元作为激活函数，第五卷积层选用S型函数作为激活函数。
[0008]可选地，所述第一训练数据还可以包括步态图像，其中，训练用关键点连接图基于步态图像通过关键点检测算法生成，验证用剪影图基于步态图像通过实例分割算法生成。
[0009]可选地，所述步态识别网络可以包括：特征提取网络，将步态剪影序列中的每张步态剪影分为上半身和下半身两部分，分别提取上半身特征向量和下半身特征向量；微动作捕捉网络，聚合上半身特征向量和下半身特征向量以生成聚合特征向量，其中，所述方法还可以包括对步态识别网络进行训练，所述训练的步骤包括：准备第二训练数据，第二训练数据包括：基于多角度采集的人体行走图像序列生成的训练用剪影序列和与训练用剪影序列对应的训练用身份标签；将具有同一训练用身份标签的训练用剪影序列用作正样本，将具有不同训练用身份标签的训练用剪影序列用作负样本，利用损失函数反向传播优化参数，对步态识别网络进行迭代训练。
[0010]可选地，所述步态识别网络还可以包括识别器。识别器被配置为通过将聚合特征向量与步态数据库中的特征向量进行比对，将与聚合特征向量相匹配的特征向量的身份标签作为另一识别结果进行输出。
[0011]可选地，所述特征提取网络可以具有六层卷积神经网络层，其每层均选用漏修正线性单元作为激活函数，步态剪影序列通过第一卷积层和第二卷积层以得到特征图，将特征图通过池化层并按人体的上半身和下半身分成两组，再通过第三卷积层至第六卷积层以获得上半身特征向量和下半身特征向量；并且微动作捕捉网络具有两个并行的微动作捕捉模块，分别接收上半身特征向量和下半身特征向量以生成聚合特征向量。
[0012]本公开的另一方面提供了一种步态识别的装置。所述装置包括：步态图像序列获取单元，被配置为获取待检测目标的步态图像序列；关键点检测单元，被配置为基于步态图像序列通过关键点检测算法获取待检测目标的关键点连接图序列；生成对抗网络，被配置为将关键点连接图序列作为输入以生成步态剪影序列；以及步态识别网络，被配置为将步态剪影序列作为输入以生成待检测目标的聚合特征向量，并将聚合特征向量作为识别结果进行输出。
[0013]可选地，所述生成对抗网络可以包括：生成器，利用作为输入的关键点连接图生成二值剪影图；以及判别器，判断由生成器生成的二值剪影图的真假并输出判断为真的二值剪影图。其中，生成对抗网络还可以被配置为采用如下步骤进行训练，包括：准备第一训练数据，第一训练数据包括训练用关键点连接图和与训练用关键点连接图对应的验证用剪影图；基于训练用关键点连接图使用生成器生成训练用二值剪影图；以及使用判别器判断训练用二值剪影图的真假，并以训练用二值剪影图与对应的验证用剪影图相似度最大为目标，对生成对抗网络进行迭代训练。
[0014]可选地，所述生成器可以具有五层转置卷积神经网络层，第一转置卷积层至第四转置卷积层选用顺序设置的批规范化和修正线性单元作为激活函数，第五转置卷积层选用双曲正切函数作为激活函数。所述判别器可以具有五层卷积神经网络，第一卷积层至第四卷积层选用顺序设置的批规范化和漏修正线性单元作为激活函数，第五卷积层选用S型函数作为激活函数。
[0015]可选地，所述第一训练数据还可以包括步态图像，其中，训练用关键点连接图基于步态图像通过关键点检测算法生成，验证用剪影图基于步态图像通过实例分割算法生成。
[0016]可选地，所述步态识别网络包括：特征提取网络，将步态剪影序列中的每张步态剪影分为上半身和下半身两部分，分别提取上半身特征向量和下半身特征向量；以及微动作捕捉网络，聚合上半身特征向量和下半身特征向量以生成聚合特征向量，其中，步态识别网
络还可以被配置为采用如下步骤进行训练，包括：准备第二训练数据，第二训练数据包括：基于多角度采集的人体行走图像序列生成的训练用剪影序列和与训练用剪影序列对应的训练用身份标签；将具有同一训练用身份标签的训练用剪影序列用作正样本，将具有不同训练用身份标签的训练用剪影序列用作负样本，利用损失函数反向传播优化参数，对步态识别网络进行迭代训练。
[0017]可选地，所述步态识别网络还可以包括识别器，识别器被配置为通过将聚合特征向量与步态数据库中的特征向量进行比对，将与聚合特征向量相匹配的特征向量的身份标签作为另一识别结果进行输出。
[0018]可选地，所述特征提取网络可以具有六层卷积神经网络层，其每层均选用漏修正线性单元作为激活函数，步态剪影序列通过第一卷积层和第二卷积层以得到特征图，将特征图通过池化层并按人体的上半身和下半身分成两组，再通过第三卷积层至第六卷积层以获得上半身特征向量和下半身特征向量；并且微动作本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种步态识别方法，其特征在于，所述方法包括：获取待检测目标的步态图像序列；基于所述步态图像序列通过关键点检测算法获取所述待检测目标的关键点连接图序列；将所述关键点连接图序列输入到生成对抗网络以生成步态剪影序列；以及将所述步态剪影序列输入到步态识别网络以生成所述待检测目标的聚合特征向量，并将所述聚合特征向量作为识别结果进行输出。2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络包括：生成器，利用作为输入的关键点连接图生成二值剪影图；以及判别器，判断由所述生成器生成的二值剪影图的真假并输出判断为真的二值剪影图，其中，所述方法还包括对所述生成对抗网络进行训练，包括：准备第一训练数据，所述第一训练数据包括训练用关键点连接图和与所述训练用关键点连接图对应的验证用剪影图；基于所述训练用关键点连接图使用所述生成器生成训练用二值剪影图；以及使用所述判别器判断所述训练用二值剪影图的真假，并以所述训练用二值剪影图与所述对应的验证用剪影图相似度最大为目标，对所述生成对抗网络进行迭代训练。3.根据权利要求2所述的方法，其特征在于，所述生成器具有五层转置卷积神经网络层，第一转置卷积层至第四转置卷积层选用顺序设置的批规范化和修正线性单元作为激活函数，第五转置卷积层选用双曲正切函数作为激活函数；并且所述判别器具有五层卷积神经网络，第一卷积层至第四卷积层选用顺序设置的批规范化和漏修正线性单元作为激活函数，第五卷积层选用S型函数作为激活函数。4.根据权利要求2或3所述的方法，其特征在于，所述第一训练数据还包括步态图像，其中，所述训练用关键点连接图基于所述步态图像通过所述关键点检测算法生成，所述验证用剪影图基于所述步态图像通过实例分割算法生成。5.根据权利要求1所述的方法，其特征在于，所述步态识别网络包括：特征提取网络，将所述步态剪影序列中的每张步态剪影分为上半身和下半身两部分，分别提取上半身特征向量和下半身特征向量；以及微动作捕捉网络，聚合所述上半身特征向量和所述下半身特征向量以生成所述聚合特征向量，其中，所述方法还包括...
【专利技术属性】
技术研发人员：岳志强，李永春，童心，宋宏伟，周丹，魏宏超，蒲岩，
申请(专利权)人：沈阳康泰电子科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。